Mit CTRL-Rec: Empfehlungen per natürlicher Sprache steuern

Ein neues Verfahren namens CTRL-Rec ermöglicht es Nutzern, Empfehlungen von klassischen Recommender‑Systemen in Echtzeit mit einfachen Sprachbefehlen zu steuern. Dabei nutzt die Methode große Sprachmodelle (LLMs), um vorherzusagen, ob ein Nutzer ein bestimmtes Element aufgrund seiner sprachlichen Anfrage akzeptieren würde. Diese simulierten Bewertungen werden anschließend in die Gewichtung der Signale des Recommender‑Systems integriert.

Während des Trainings wird ein LLM eingesetzt, um die Zustimmung der Nutzer zu verschiedenen Anfragen zu simulieren. Auf Basis dieser Simulationen werden Embedding‑Modelle trainiert, die die gleichen Urteile approximieren. Im Einsatz benötigt das System lediglich eine einzelne Embedding‑Berechnung pro Nutzeranfrage, wodurch die Steuerung in Echtzeit möglich wird.

In Experimenten mit dem MovieLens‑Datensatz zeigte CTRL-Rec konsequente, feingranulare Kontrolle über eine Vielzahl von Anfragen. Eine weitere Studie mit 19 Letterboxd‑Nutzern ergab, dass die Methode von den Teilnehmern positiv bewertet wurde und ihr Gefühl von Kontrolle sowie ihre Zufriedenheit mit den Empfehlungen deutlich steigerte – im Vergleich zu herkömmlichen Steuerungsoptionen.